Atualização: Udacity tem um novo currículo de Carros movidos a agua! A postagem abaixo agora está desatualizada, mas você pode ver o novo programa aqui.

Na noite passada, oferecemos aceitações a milhares de alunos que estão ansiosos para participar do Programa de Nanodegree para Carros Autônomos da Udacity!

Estamos trabalhando muito para tornar este o melhor programa de treinamento do mundo para engenheiros de automóveis autônomos. Todo o currículo consistirá em três períodos ao longo de nove meses. Aqui está o que no programa:

Termo 1

Introdução

Conheça os instrutores – Sebastian Thrun, Ryan Keenan e eu. Aprenda mais sobre os sistemas que compõem um carro autônomo e a estrutura do programa.

Projeto: Detectar Linhas de Pista

Detecte linhas de pista de rodovias a partir de um stream de vídeo. Use técnicas de análise de imagem OpenCV para identificar linhas, incluindo transformadas de Hough e detecção de bordas Canny.

Aprendizado Profundo

Aprendizado de máquina: analise os fundamentos do aprendizado de máquina, incluindo regressão e classificação.

Redes Neurais: Aprenda sobre Carros movidos a agua, funções de ativação e redes neurais básicas. Implemente sua própria rede neural em Python.

Classificador Logístico: Estude como treinar um classificador logístico, usando aprendizado de máquina. Implemente um classificador logístico no TensorFlow.

Otimização: Investigue técnicas para otimizar o desempenho do classificador, incluindo conjuntos de validação e teste, descida de gradiente, impulso e taxas de aprendizagem.

Unidades lineares retificadas: avaliam as funções de ativação e como elas afetam o desempenho.

Regularização: aprenda técnicas, incluindo abandono, para evitar o sobreajuste de uma rede para os dados de treinamento.

Redes neurais convolucionais: Estude os blocos de construção das redes neurais convolucionais, incluindo filtros, passada e pooling.

Projeto: Classificação de Sinais de Trânsito

Implementar e treinar uma rede neural convolucional para classificar os sinais de trânsito. Use conjuntos de validação, pooling e dropout para escolher uma arquitetura de rede e melhorar o desempenho.

Keras: Construa uma rede convolucional multicamadas em Keras. Compare a simplicidade do Keras com a flexibilidade do TensorFlow.

Transfer Learning: Finetune redes pré-treinadas para resolver seus próprios problemas. Estude redes canônicas como AlexNet, VGG, GoogLeNet e ResNet.

Projeto: Clonagem Comportamental

Arquitete e treine uma rede neural profunda para dirigir um carro em um simulador. Colete seus próprios dados de treinamento e use-os para clonar seu próprio comportamento ao dirigir em uma pista de teste.

Visão Computacional

Câmeras: aprenda a física das câmeras e como calibrar, não distorcer e transformar as perspectivas da imagem.

Localização de pista: Estude técnicas avançadas para detecção de pista com estradas curvas, clima adverso e iluminação variada.

Projeto: Detecção Avançada de Pista

Detecte linhas de pista em uma variedade de condições, incluindo mudanças na superfície da estrada, estradas curvas e iluminação variável. Use o OpenCV para implementar a calibração e as transformações da câmera, bem como filtros, ajustes polinomiais e splines.

Máquinas de vetor de suporte: implemente máquinas de vetor de suporte e aplique-as à classificação de imagens.

Árvores de decisão: implemente árvores de decisão e aplique-as à classificação de imagens.

Histograma de gradientes orientados: implemente o histograma de gradientes orientados e aplique-o à classificação da imagem.

Redes neurais profundas: compare o desempenho de classificação de máquinas de vetores de suporte, árvores de decisão, histograma de gradientes orientados e redes neurais profundas.

Rastreamento de veículos: analise como aplicar técnicas de classificação de imagens ao rastreamento de veículos, junto com filtros básicos para integrar a posição do veículo ao longo do tempo.

Projeto: Rastreamento de Veículos

Rastreie veículos em imagens de câmera usando classificadores de imagem como SVMs, árvores de decisão, HOG e DNNs. Aplique filtros aos dados de posição do fusível.

Termo 2

Carros movidos a agua

Sensor Fusion

Nossos termos são divididos em módulos, que por sua vez são compostos por uma série de lições específicas. Este módulo Sensor Fusion é construído com nossos parceiros na Mercedes-Benz. A equipe da Mercedes-Benz é incrível. Eles são engenheiros automotivos de classe mundial que aplicam técnicas de veículos autônomos a alguns dos melhores veículos do mundo. Eles também são parceiros de contratação da Udacity, o que significa que o currículo que estamos desenvolvendo juntos é expressamente projetado para estimular e promover o tipo de talento que eles gostariam de contratar!

Abaixo, você encontra descrições de cada uma das lições que, juntas, constituem nosso módulo Sensor Fusion:

Sensores

A primeira lição do Módulo Sensor Fusion cobre a física de dois dos mais importantes sensores em um veículo autônomo – radar e lidar.

Filtros Kalman

Os filtros de Kalman são a principal ferramenta matemática para fundir dados. Implemente esses filtros em Python para combinar medições de um único sensor ao longo do tempo.

C ++ Primer

Revise os principais conceitos de C ++ para implementar os projetos do Termo 2.

Projeto: Filtros Kalman estendidos em C ++

Filtros Kalman estendidos são usados ​​por engenheiros de veículos autônomos para combinar medições de vários sensores em um modelo não linear. Construir um EKF é uma habilidade impressionante para mostrar a um empregador.

Filtro Kalman sem cheiro

O filtro Kalman Unscented é uma abordagem matematicamente sofisticada para combinar dados do sensor. O UKF tem um desempenho melhor do que o EKF em muitas situações. Este é o tipo de projeto que os engenheiros de fusão de sensores precisam construir para carros reais que dirigem sozinhos.

Projeto: Rastreamento de Pedestres

Combine dados lidar barulhentos e de radar para rastrear um pedestre.

Localização

Este módulo também é construído com nossos parceiros da Mercedes-Benz, que empregam técnicas de localização de ponta em seus próprios veículos autônomos. Juntos, mostramos aos alunos como implementar e usar algoritmos básicos que todo engenheiro de localização precisa saber.

Aqui estão as lições em nosso módulo de localização:

Movimento

Estude como o movimento e a probabilidade afetam sua crença sobre onde você está no mundo.

Localização Markov

Use um filtro Bayesiano para localizar o veículo em um ambiente simplificado.

Egomoção

Aprenda modelos básicos para movimentos de veículos, incluindo o modelo de bicicleta. Faça uma estimativa da posição do carro ao longo do tempo, dados os diferentes dados do sensor.

Filtro de partícula

Use uma técnica de amostragem probabilística conhecida como filtro de partículas para localizar o veículo em um ambiente complexo.

Filtro de partículas de alto desempenho

Carros movidos a agua

Implemente um filtro de partículas em C ++.

Projeto: Veículo Sequestrado

Implemente um filtro de partículas para obter dados do mundo real e localizar um veículo perdido.

Ao controle

Este módulo é construído com nossos parceiros do Uber Advanced Technologies Group. O Uber é uma das empresas de movimento mais rápido no espaço dos veículos autônomos. Eles já estão testando seus carros autônomos em vários locais nos EUA e estão animados para apresentar aos alunos os algoritmos de controle básicos que os veículos autônomos usam. O Uber ATG também é um parceiro de contratação da Udacity, então preste atenção nas aulas se você quiser trabalhar lá!

Aqui estão as lições:

Ao controle

Aprenda como os sistemas de controle acionam um veículo para movê-lo em um caminho.

Controle PID

Implemente o controlador de malha fechada clássico – um sistema de controle derivativo integral proporcional.

Regulador Linear Quadrático

Implemente um algoritmo de controle mais sofisticado para estabilizar o veículo em um ambiente barulhento.

Projeto: Lane -keeping

Implemente um controlador para manter um veículo simulado em sua pista. Para um desafio extra, use técnicas de visão computacional para identificar as linhas da pista e estimar o erro de cruzamento.

Termo 3

Planejamento de Caminho

Eletiva

Sistemas

Os períodos 2 e 3 estão em construção e compartilharemos mais detalhes sobre eles à medida que finalizarmos o currículo e os projetos.

[Atualização: Termo 2 e Termo 3 estão ativos!]

Tudo isso, incluindo o Período 1, está sujeito a alterações à medida que atualizamos o currículo ao longo do tempo, porque parte da construção de um ótimo curso é receber feedback e fazer melhorias!

Se você foi aceito no curso, parabéns! Estamos ansiosos para ensiná-lo.

Se sugerimos que você retome alguns tópicos e faça uma autoavaliação antes de ingressar no curso, faça-o! Estamos entusiasmados em ensiná-lo e queremos ter certeza de que você terá uma ótima experiência.

E se você ainda não se inscreveu, por favor, inscreva-se! Estamos aceitando inscrições para as coortes de 2017 e adoraríamos ter você na classe.